Agentisches Coding

Was ist agentisches Coding?

Agentisches Coding (Agentic Coding) ist die Praxis, Software zu erstellen, indem man einen KI-Coding-Agenten anleitet, der die Codebasis liest, Dateien bearbeitet, Befehle ausführt und die Ergebnisse iterativ verbessert – statt den Code selbst zu tippen. Der Entwickler liefert Absicht, Constraints und Review; der Agent liefert die Tastenanschläge. Die Praxis läuft bereits in echtem Umfang: GitHubs Octoverse-2025-Report zählte zwischen Mai und September 2025 über 1 Million Pull Requests, die von seinem Copilot-Coding-Agenten generiert wurden, konzentriert auf etablierte Repositories statt auf experimentelle Projekte [1].

Die wichtigsten Punkte

• Der Input des Entwicklers verschiebt sich von Code zu Anweisungen: Aufgabenbeschreibungen, Abnahmekriterien und Projektkonventionen, denen der Agent folgen muss.
• Die Feedback-Schleife ist das, was es funktionieren lässt. Agenten, die Tests, Builds und Linter ausführen können, korrigieren sich selbst; Agenten, die nur Text generieren, raten lediglich mit Überzeugung.
• Repository-Kontextdateien wie AGENTS.md oder CLAUDE.md sind tragende Elemente. Sie sagen jeder Sitzung, wie das Projekt gebaut wird, getestet wird und wie Code aussehen soll.
• Agentisches Coding ist eine Praxis, keine Tool-Kategorie. Dasselbe Tool unterstützt sorgfältiges Engineering oder unbedachtes Vibe Coding, je nachdem, ob der Output überprüft wird.

So funktioniert es

Eine Sitzung beginnt mit einer in natürlicher Sprache formulierten Aufgabe, idealerweise mit angehängten Abnahmekriterien. Der Agent erkundet das Repository, sucht nach relevanten Dateien und liest genug Code, um sich ein funktionierendes Bild von der Änderung zu machen. Dann bearbeitet er. Nach jeder bedeutsamen Änderung führt er aus, was das Projekt an Verifikation bietet: den Type Checker, die Testsuite, einen Build, einen Linter. Fehlschläge fließen direkt zurück in seinen Kontext, er behebt sie und lässt es erneut laufen, bis die Checks bestehen oder er feststeckt und um Hilfe bittet. Nutzungsdaten spiegeln wider, wie viel der Arbeit der Agent trägt: In der Analyse des Anthropic Economic Index über 500.000 Coding-Interaktionen wurden 79 % der Claude-Code-Konversationen als Automation eingestuft, bei der die KI die Aufgabe direkt ausführt, gegenüber 49 % beim chatbasierten Claude.ai [2].

Die Qualität des Ergebnisses hängt an der Qualität dreier Inputs. Erstens die Aufgabendefinition: Vage Anfragen erzeugen plausiblen Code, der das falsche Problem löst, weshalb ausgereifte Teams zu Spec-Driven Development tendieren. Zweitens der Projektkontext: Konventionen, die in einer Kontextdatei festgehalten sind, werden befolgt; Konventionen, die nur im Kopf von jemandem existieren, werden verletzt. Drittens die Verifikation: Ein Projekt mit schnellen, verlässlichen Tests lässt den Agenten seine eigene Schleife schließen, während ein Projekt ohne Tests den Menschen zum einzigen Sicherheitsnetz macht.

Im Alltag verändert agentisches Coding die Form der Aufmerksamkeit eines Entwicklers. Weniger Zeit im Editor, mehr Zeit für das Schreiben präziser Aufgabenbeschreibungen und das Lesen von Diffs. Review wird zur primären technischen Tätigkeit, denn im Diff wird falscher, aber plausibler Output abgefangen, bevor er live geht.

Beispiel

Ein Entwickler braucht Pagination für einen Admin-Endpunkt. Er schreibt: „Füge GET /admin/orders cursorbasierte Pagination hinzu, Standard-Seitengröße 50, maximal 200, der Cursor muss opak sein, aktualisiere die OpenAPI-Spec, und erweitere die bestehenden Endpunkt-Tests.“ Der Agent findet den Handler, bemerkt, dass die Codebasis bereits einen Cursor-Helper hat, der von zwei anderen Endpunkten genutzt wird, verwendet ihn wieder, aktualisiert die Spec und fügt vier Tests hinzu. Die Suite schlägt einmal fehl, weil die erste Cursor-Kodierung des Agenten bei leeren Ergebnismengen versagte; er liest den Fehlschlag, behebt den Edge Case und lässt es erneut sauber durchlaufen. Der Entwickler prüft einen fokussierten Diff und merged in weniger als einer halben Stunde.

Häufige Missverständnisse

Das anhaltende Missverständnis ist, agentisches Coding bedeute, weniger Engineering-Skill zu brauchen. Was tatsächlich passiert, ist, dass sich der Skill verlagert. Zu entscheiden, was gebaut werden soll, es in agentengerechte Aufgaben zu zerlegen und generierte Diffs kritisch zu lesen, erfordert alles das Urteilsvermögen von jemandem, der den Code auch selbst hätte schreiben können. Teams, die Agenten an Entwickler geben, die den Output nicht bewerten können, gewinnen keinen Hebel; sie bekommen ungeprüftes Risiko, das schneller gemerged wird, und Comprehension Debt, die im ungünstigsten Moment zutage tritt. Auch die gefühlte Geschwindigkeit ist ein unzuverlässiger Indikator: METRs randomisierte kontrollierte Studie von 2025 mit 16 erfahrenen Open-Source-Entwicklern ergab, dass die Nutzung von KI-Coding-Tools sie 19 % länger für Aufgaben brauchen ließ, obwohl sie eine Beschleunigung um 24 % erwartet hatten [3].

FAQ

Ist agentisches Coding dasselbe wie Copilot-artige Autovervollständigung? Nein. Autovervollständigung schlägt die nächsten Zeilen vor, während Sie tippen, und Sie bleiben der Autor der Datei. Bei agentischem Coding ist der Agent der Autor: Er navigiert durch das Repo, nimmt Änderungen an mehreren Dateien vor und führt eigenständig Befehle aus, während Sie steuern und überprüfen.

Funktioniert agentisches Coding bei großen Legacy-Codebasen? Ja, oft besser als erwartet, denn Agenten sind gut darin, unbekannten Code schnell zu lesen. Der limitierende Faktor ist der Kontext: Eine Codebasis ohne Tests, ohne Dokumentation und mit inkonsistenten Konventionen gibt dem Agenten nichts, wogegen er verifizieren kann – entsprechend steigt der Aufwand für die menschliche Überprüfung.

Wie unterscheidet sich agentisches Coding von agentischem Engineering? Agentisches Coding ist die praktische Tätigkeit einer einzelnen Person, die einen Agenten durch Aufgaben steuert. Agentisches Engineering ist die umgebende Disziplin: die Specs, Guardrails und Review-Prozesse, die ein Team aufbaut, damit diese Praxis zuverlässige Software im großen Maßstab hervorbringt.

Quellen

1. GitHub Octoverse 2025. "Copilots Coding-Agent generierte zwischen Mai und September 2025 über 1 Million Pull Requests." https://github.blog/news-insights/octoverse/octoverse-a-new-developer-joins-github-every-second-as-ai-leads-typescript-to-1/. Abgerufen im August 2026.
2. Anthropic Economic Index. "79 % der Claude-Code-Konversationen wurden als Automation eingestuft, gegenüber 49 % bei Claude.ai, über 500.000 Coding-Interaktionen hinweg." https://www.anthropic.com/research/impact-software-development. Abgerufen im August 2026.
3. METR. "Randomisierte Studie: Erfahrene Entwickler brauchten mit KI-Coding-Tools 19 % länger, obwohl sie eine Beschleunigung um 24 % erwartet hatten." https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/. Abgerufen im August 2026.